知所无二-优快云博客

原创 2026-TIP-检测任务驱动的红外-可见光扩散融合

红外与可见光图像融合能够综合红外图像中的热辐射信息和可见光图像中的纹理细节，为目标检测等高层视觉任务提供更丰富的场景信息。然而，现有方法通常侧重融合图像的视觉质量，融合结果与下游检测性能之间缺乏直接联系；部分任务驱动方法采用融合网络与检测网络联合训练，模型耦合程度较高，在更换检测器时需要重新训练整个系统。针对这一问题，本文提出一种基于扩散模型的检测驱动红外-可见光图像融合框架 DDIF。

2026-08-28 17:17:31 239

原创 2026-TIP-无监督高光谱-多光谱融合的耦合扩散后验采样

高光谱图像（HSI）具有丰富的光谱信息，但受成像系统限制，其空间分辨率通常较低。高光谱-多光谱图像融合旨在利用低空间分辨率高光谱图像（LR-HSI）的光谱信息和高空间分辨率多光谱图像（HR-MSI）的空间信息，重建同时具有高空间和高光谱分辨率的 HR-HSI。然而，现有多数深度学习方法需要大量 HR-HSI 作为监督训练数据，而真实高分辨率高光谱数据在实际应用中通常难以获取。针对这一问题，本文提出一种。

2026-08-28 16:12:27 363

原创 RD-Fusion：基于RWKV与视觉语义奖励的退化鲁棒红外-可见光图像融合 Information Fusion 2027

RD-Fusion 整体可以概括成：其中： IP-RWKVIP解决的是大感受野与计算效率C-Shift 负责局部纹理，Axial-WKV 负责长距离二维依赖。Implicit Prompt 解决的是多退化自适应模型不需要人为告诉它“现在是什么退化”，而是通过可学习 token 和 RWKV recurrence 隐式调节特征。VSRM 解决的则是Pixel-level Objective≠Visual Preference。

2026-08-27 17:38:01 346

原创 OmniFuse：语言驱动语义的复合退化鲁棒图像融合 TPAMI 2025

OmniFuse 可以用一个非常清晰的式子概括：其中：LDF=Feature Reorganization+Latent Diffusion+LFFM+Fusion Losses主要解决：Robustness而LDCF=Grounded ⁣− ⁣SAM+Language Prior+Visual Enhancement+Semantic Reverse Guidance主要解决：Flexibility从方法设计角度看，这篇文章最有意思的地方并不只是：“用了 diffusion。

2026-08-26 17:57:55 203

原创 GGF-PnP：基于梯度特征引导的全色锐化即插即用融合模块 Information Fusion 2026

GGF-PnP 的核心可以概括为：其中：“梯度可以增强边缘。这个结论其实并不新。它真正做的是重新思考梯度在深度融合网络中的角色。以往：Gradient→Prior / Loss / Auxiliary Cue而 GGF-PnP：Gradient→Explicit Learnable Fusion Branch再进一步通过门控机制控制 PAN、GRAD 和 MSI 三类信息的贡献。GGF-PnP 不是简单“使用梯度”，而是把梯度从辅助信息变成显式、可学习、可控制、可复用的融合指导。

2026-08-26 15:58:30 331

原创 Rank-Aware Routing Decomposition for Hyperspectral and Multispectral Image Fusion——秩感知路由分解的高光谱-多光谱图像

高光谱-多光谱图像融合的目标是利用两类互补观测数据重建高空间分辨率高光谱图像。一般来说，低空间分辨率高光谱图像记为 LR-HSI，高空间分辨率多光谱图像记为 HR-MSI，目标重建图像记为 HR-HSI。LR-HSI 的特点是光谱分辨率高、波段数量多，可以提供丰富的连续光谱信息，但空间分辨率较低，图像细节不够清晰。HR-MSI 的特点正好相反，它空间分辨率高，能提供清晰的纹理和边缘结构，但波段数量较少，光谱信息不够完整。

2026-06-17 11:00:08 191

原创 Image Denoising with Control over Deep Network Hallucination——基于置信度控制深度网络幻觉的图像去噪方法

这篇论文的优点主要有四个。第一，方法具有较好的可解释性。CCID 不再把深度去噪网络当成黑盒直接使用，而是额外预测置信度图，让用户知道哪些区域可能存在深度网络错误。第二，方法具有可控性。用户可以通过融合权重 $w$ 控制可靠滤波器和深度网络的比例，从而在“安全”和“清晰”之间进行调节。第三，方法对 OOD 数据更鲁棒。当测试数据和训练数据分布不一致时，单独的深度网络容易出现幻觉，而 CCID 可以通过可靠滤波器降低风险。第四，框架具有通用性。

2026-05-26 14:50:26 366

原创 S²CycleDiff：基于空间-光谱双向循环扩散的高光谱图像超分辨率方法 AAAI 2024

S²CycleDiff 的核心可以总结为：其中：从整体思想来看，本文并不是简单地把扩散模型套到 HISR 任务上，而是结合高光谱-多光谱融合任务的特点，专门设计了空间分支和光谱分支。空间分支关注：如何从 HrMSI 中注入更清晰的空间纹理光谱分支关注：如何从 LrHSI 中保持更准确的光谱分布最终通过 CFB 互补融合，得到具有高空间分辨率和高光谱保真度的 HrHSI。

2026-05-26 14:07:25 367

原创用于高光谱融合成像的相关性感知学习自引导网络-Information Fusion2026

本文研究的是经典的高光谱-多光谱图像融合任务。低空间分辨率高光谱图像，记为 LR-HSI；高空间分辨率多光谱图像，记为 HR-MSI；高空间分辨率高光谱图像，记为 HR-HSI。也就是：LR-HSI+HR-MSI→HR-HSI高光谱图像具有丰富的光谱信息，但空间分辨率较低；多光谱图像空间分辨率较高，但波段数较少。因此二者具有互补性：不要只依赖局部注意力或者普通 self-attention，而是让网络通过全局相关性找到真正有用的空间-光谱信息，再进行自引导融合。

2026-05-13 17:51:42 397

原创 PLRDiff：基于低秩扩散模型的无监督高光谱全色锐化-Information Fusion2024

这篇文章研究的是高光谱全色锐化，即利用低分辨率高光谱图像和高分辨率全色图像，恢复高空间分辨率、高光谱分辨率的 HRHS 图像。输入为：表示低分辨率高光谱图像 LRHS；表示高分辨率 PAN 图像；目标是恢复：即高分辨率高光谱图像 HRHS。传统方法通常依赖手工先验，例如 TV 正则、低秩约束、稀疏约束等；深度学习方法虽然效果强，但往往需要大量配对训练数据，而且跨数据集泛化能力较弱。

2026-05-06 19:46:40 356

原创 Text-DiFuse：基于文本调制扩散模型的交互式多模态图像融合框架-NeurIPS2024 spotlight

在源图像本身已经退化的情况下，如何做高质量的多模态图像融合，并且支持用户通过文字来指定“我更想突出什么目标”。去掉多模态图像中的复合退化，比如低照度、噪声、偏色。在融合过程中突出用户关心的对象，比如行人、车辆、病灶等。为了解决这两个问题，Text-DiFuse 提出了一个新的框架：先利用条件扩散模型学习“如何从退化图像恢复到干净图像”，然后把多模态特征融合直接嵌入这个恢复过程；再结合文本和零样本定位模型，对感兴趣目标进行重调制。最终得到的融合图像不仅更干净，而且更符合用户语义偏好。

2026-04-16 14:53:47 436

原创 EGD-Net：面向高光谱混合噪声去除的特征图引导扩散网络-JSTARS2025

EGD-Net 是一篇很典型的“把扩散模型做任务化改造”的文章。它不是直接把标准 diffusion 套到高光谱去噪上，而是结合高光谱图像的低维子空间结构、eigenimage 表示方式以及混合噪声的特点，重新设计了一个面向实际任务的 guided diffusion 框架。在子空间特征图域中做扩散去噪，降低高光谱高维建模的复杂度；通过主导特征图引导和 clean/noisy eigenimage 加权融合，使扩散过程更贴近真实混合噪声；利用非线性扩散和一步反演，在保证性能的同时兼顾推理效率。

2026-04-15 18:18:56 396

原创基于潜在扩散模型的高分辨率图像合成-CVPR2022

扩散模型不必死守像素空间，latent space 同样可以成为高质量生成的主战场。这篇论文提出了 LDM 框架，用“自编码器压缩 + 潜空间扩散 + 条件交叉注意力”三步，把高质量扩散生成从昂贵的像素空间迁移到更高效的 latent space 中，在图像生成、文生图、超分和修复等多个任务上都取得了非常强的效果。

2026-04-01 18:54:32 459

原创基于自适应残差引导子空间扩散模型的自学习高光谱与多光谱图像融合-CVPR2025

本文为作者根据近期科研情况选取，如有推荐，在评论区回复即可。基于自适应残差引导子空间扩散模型的自学习高光谱与多光谱图像融合期刊：Conference on Computer Vision and Pattern Recognition (CVPR)年份：2025关键词：高光谱与多光谱图像融合，扩散模型创新点：1.提出一种。

2026-03-24 16:12:40 455

原创增强型空间-频率协同网络用于多光谱与高光谱图像融合-TGRS2025

实验结果表明，ESFS 在三个数据集上均取得了更优的定量指标和更好的视觉效果，说明通过协同利用空间域和频率域信息可以有效提升多光谱–高光谱图像融合的质量。一句话总结：通过 CSAM 在空间域建模长程依赖，通过 SFDM 在频率域分解结构与纹理，再利用 FreqMLP 重组频率特征，从而实现高质量的多光谱-高光谱图像融合。3.在三个基准数据集上的大量实验表明，与现有方法相比，所提出的方法在视觉质量上表现更优，并且在定量评价指标上达到了。空间域擅长描述局部结构和纹理，频率域擅长捕获全局结构和周期模式。

2026-03-05 18:17:33 586

weixin_65062043的博客